Segundo Davis (1993), com a aplicação do método dos quadrados mínimos, a regressão dos quadrados mínimos ordinários é utilizada para testar a estrutura de equações que compõem o modelo. A significância estatística das relações TAM propostas, expressado nas hipóteses indicadas no modelo adotado, será avaliada utilizando t-estatístico correspondente a cada parâmetro estimado. A regressão hierárquica e a associação com F-testes da importância relativa ao aumento em R², devido às variáveis adicionais, serão utilizados para as hipóteses apresentadas. Adicionalmente, no teste às hipóteses para apurar se é significante ou não- significante, os dados serão utilizados para estimar a magnitude dos eventuais parâmetros. A estimativa será dos “Coeficientes de Regressão Padronizados”, expresso em ambos os pontos e no intervalo de confiança estimado (Davis, 1993). Tendo a confirmação da viabilidade das medidas das dimensões, podemos então passar à verificação da avaliação dos resultados do modelo estrutural, tendo para o efeito que examinar a capacidade preditiva do modelo e as relações entre as respetivas dimensões (Hair Jr et al., 2014). A forma mais comum utilizada para avaliar o modelo estrutural é a aplicação do “Coeficiente de Determinação (R²)”, sendo que este coeficiente é a medida de precisão preditiva do modelo, ou seja, o coeficiente representa os efeitos combinatórios das variáveis exógenas latentes na variável latente endógena, e é calculado com a correlação ao quadrado dos valores atuais e previstos entre dimensões específicas endógenas, sendo objetivo da solução PLS-SEM minimizar o valor de variância não explicado, ou seja, maximizar os valores de R² (Hair Jr et al., 2014). A medida referente ao “Efeito do Tamanho (f²)” é definida quando o valor de R² é alterado devido à omissão de uma dimensão exógena específica do modelo estrutural, representando assim um impacto substancial sobre as dimensões endógenas. A medida é calculada pela fórmula expressa na Figura 34, utilizando uma folha de cálculo para o efeito, tendo em conta os valores de R² incluídos e excluídos da Tabela 19 (Hair Jr et al., 2014).
73 O modelo estrutural KMS foi avaliado através do uso da aplicação Smart PLS v2.0, utilizando para o efeito o método de “bootstrapping”, ou seja, através de uma técnica de reamostragem com base em 5000 subamostras, obtido através de um conjunto de dados iniciais, para determinar o significado do caminho dentro do modelo estrutural, como observado na Figura 35. Com a validação do modelo estrutural, procedemos à avaliação dos caminhos estruturais para testar as hipóteses apresentadas neste trabalho (Costa, Ferreira, Bento, & Aparicio, 2016).
Tabela 19 – Hipóteses - Coeficiente de Determinação (R²) – (Smart PLS v2.0 – fonte própria)
Hipóteses Independente Dependente R² Incluído R² Excluído f²
H1 TT FUP 0,665 0 1,985 H2 FUP UP 0,641 0 1,786 H3 FUP BI 0,657 0,535 0,356 H4 UP BI 0,657 0,631 0,076 H5 BI USE 0,468 0 0,880 H6 Ba TT 0,247 0 0,328 H7 Ba FCO 0,667 0 IS 0,528 0 TKMI 0,856 0
f² =<0.02 small effect; =<0.15 medium effect; =<0.35 large effect (Cohen, 1988)
Utilizando a regressão gradual para detetar no modelo as interações significativas, referentes ao coeficiente de significância, procedemos ao cálculo dos valores p (p Value), que correspondem à probabilidade de erroneamente rejeitarmos uma hipótese nula. Pode ser calculado utilizando a fórmula TDIST numa folha de cálculo, sendo necessário indicar: T-Value, o número máximo de graus de liberdade, ou seja, o número de amostras N-1(referente ao o número de casos de observações menos um), e o número máximo de setas que uma dimensão do modelo estrutural contenha (Hair Jr et al., 2014), apresentando-se a fórmula final em Excel, para cada T-Value, na seguinte forma: TDIST(<T-Value>;252;2), sendo que os resultados obtidos são significativos para 1% de probabilidade de erro, com apenas uma interação significativa suportada para p<0,01 e as restantes para p<0,001, como observado na Tabela 20.
Tabela 20 – Resultado das Hipóteses – (Smart PLS v2.0 – fonte própria)
Hipóteses Variável Independente Variável Dependente β T- Value Significância pValue f² Suportado Efeito da Dimensão H1 TT FUP 0,815 28,614 0,000 1,985 *** Forte H2 FUP UP 0,801 23,102 0,000 1,786 *** Forte H3 FUP BI 0,266 3,121 0,002 0,356 ** Forte H4 UP BI 0,582 7,330 0,000 0,076 *** Fraco H5 BI USE 0,684 13,898 0,000 0,880 *** Forte H6 Ba TT 0,497 8,214 0,000 0,328 *** Moderado H7 Ba FCO 0,817 29,82 0,000 - - - IS 0,727 18,088 0,000 - - - TKMI 0,925 103,748 0,000 - - - NS=not significant; * p<0,05; ** p<0,01; *** p<0,001
Como já indicado anteriormente, o coeficiente de determinação da relação entre as dimensões é fornecido pelo valor de R² na dimensão endógena (Hair Jr et al., 2014). A magnitude ideal será a de 0,90, mas pelo menos que seja sempre acima de 0,80 entre a dimensão exógena e a endógena (como exemplificado: D1exógena D2endógena), o que se traduz em valores para R² entre 0,81 e 0,64 respetivamente, sendo que para valores de R² inferiores a 0,64 na dimensão endógena, então os indicadores da
74 dimensão exógena não estão a contribuir para explicar num nível suficientemente satisfatório (Hair Jr et al., 2014). No entanto, existem áreas como as do comportamento do consumidor, onde valores R² tão baixos como 0,20 pode ser considerados valores elevados, mas em contrapartida em estudos relacionados com a satisfação e a fidelidade os valores satisfatórios podem ter de ser iguais ou superiores a 0,75 (Hair et al., 2014). Em áreas como o marketing e em modo geral, a escala pode ser completamente diferente para variáveis latentes endógenas, compreendendo por exemplo os valores 0,75 (significativo), 0,50 (moderado) e 0,25 (fraco) (Hair Jr et al., 2014).
“The R² values are normed between 0 and + 1 and represent the amount of explained variance in the construct. For example, an R² value of 0.70 for the construct … means that 70% of this construct's variance is explained by the exogenous latent variables...”
(Hair Jr et al., 2014, p. 82)
Desta forma, enquadrando R² numa escala generalizada e, atendendo que o ambiente propício à partilha do conhecimento, denominado neste estudo como “Ba” (Nonaka & Konno, 1998; Sousa et al., 2017), como sendo uma dimensão de segundo grau, explica significativamente em 66,7% o Favorecimento da Cultura Organizacional (FCO) (β=0,817 , p<0,001), assim como explica em 52,8% a Influência Social (IS) (β=0,727 , p<0,001) e explica de forma significativa em 85,6% a Infraestrutura Tecnológica de Gestão do Conhecimento (TKMI) (β=0,925 , p<0,001), confirmando assim a hipótese H7. No entanto, a dimensão Ba (β=0,497 , p<0,001) explica apenas em 24,7% da variação sobre a Tarefa Tácita (TT), demonstrando que “Ba”, enquanto dimensão exógena, não está a contribuir num nível suficientemente satisfatório. Como explicado anteriormente por Hair et al. (2014), em algumas áreas como as relacionadas com a previsão do comportamento humano, valores R² como o apresentado sobre TT (24,7%), podem determinar um valor elevado, mas o resultado obtido em outros estudos (Hsu & Lu, 2004; Malhotra & Galletta, 1999), com o uso da dimensão Influencia Social (IS) em conjunto com o modelo estrutural TAM, onde valores superiores a 55% são considerados altos, demonstra que o resultado obtido no presente estudo é relativamente baixo, no entanto é confirmada a hipótese H6. A dimensão referente à TT (β=0,815 , p<0,001) explica de forma significativa em 66,5% da variação na Facilidade de Uso Percebida (FUP), confirmando assim a hipótese H1. Na Tabela 20, podemos observar os efeitos para a Facilidade Uso Percebido (FUP), o Uso Percebido (UP) e a Intenção Comportamental em Relação ao Uso (BI), sendo significativo de FUP para BI e fortemente significativo de UP para BI, como seria esperado por já ter sido comprovado em diversos estudos (Venkatesh & Davis, 2000), onde a dimensão FUP (β=0,801 , p<0,001) explica significativamente em 64,1% do Uso Percebido (UP), confirmando também a hipótese H2. A Intenção Comportamental em Relação ao Uso (BI) é explicado em 65,7% pelas dimensões FUP (β=0,266 , p<0,01) e UP (β=0,582 , p<0,001), confirmando as hipóteses H3 e H4. A dimensão BI (β=0,684 , p<0,001) explica por sua vez apenas 46,8% do Uso Efetivo do Sistema (USE), demonstrando-se um valor moderado, confirmando assim a hipótese H5.
75 O modelo estrutural KMS, apresentado na Figura 35, suporta assim todas as ligações, sendo de considerar um efeito significativamente reduzido para a dimensão “Ba” quando explica TT e um efeito moderado para USE quando explicado pela dimensão BI, visível na demonstração gráfica do modelo estrutural KMS.
Path: NS=not significant;* p<.05;** p<.01;*** p<.001
Figura 35 – Resultados do Modelo Estrutural KMS – Sousa et al. (2017)